Dataset di polisomnografia per l’analisi del sonno nei pazienti con ictus ischemico

Perché il sonno dopo un ictus merita attenzione

Molti sanno che il sonno è importante, ma pochi comprendono quanto influenzi la capacità del cervello di ripararsi dopo un danno. Questo studio presenta iSLEEPS, una nuova ampia raccolta di registrazioni notturne dettagliate di persone in recupero da ictus ischemico in India. Rendendo questi dati liberamente disponibili, gli autori sperano di accelerare le scoperte su come i disturbi della respirazione durante il sonno influenzino il recupero dall’ictus e di aiutare gli ingegneri a costruire strumenti più intelligenti in grado di leggere automaticamente i test del sonno.

Ictus, respirazione disturbata e un pezzo mancante

L’ictus è una delle principali cause di disabilità a lungo termine, e i problemi respiratori durante il sonno—soprattutto le pause nella respirazione chiamate apnee del sonno—sono sorprendentemente comuni nei sopravvissuti all’ictus. Questi disturbi respiratori possono raddoppiare il rischio di un nuovo ictus e sono associati a un peggior recupero nella funzione quotidiana. I medici usano un test notturno chiamato polisomnografia, che registra onde cerebrali, attività oculare e muscolare, ritmo cardiaco, respirazione e livelli di ossigeno, per diagnosticare questi problemi. Eppure, nonostante la sua importanza, esistono pochissimi grandi dataset aperti di questo tipo provenienti da pazienti con ictus, in particolare da paesi non occidentali. I database pubblici esistenti sono piccoli, si concentrano su persone senza ictus o mancano delle annotazioni dettagliate necessarie per studiare l’interazione tra sonno e ictus.

Che cosa contiene la collezione iSLEEPS

Il dataset iSLEEPS colma questa lacuna con 100 registrazioni notturne di adulti che avevano avuto un ictus ischemico nel mese precedente, tutte condotte in un grande ospedale di neuroscienze a Bengaluru, in India. Ogni partecipante ha trascorso una notte collegato a più sensori che hanno catturato onde cerebrali, movimenti oculari, tono muscolare, ritmo cardiaco, flusso d’aria, movimenti toracici e addominali, livelli di ossigeno, suoni di russamento e posizione del corpo. In media, ogni studio è durato circa otto ore e complessivamente sommano a quasi 800 ore di dati. Annotatori formati, supervisionati da uno specialista del sonno, hanno esaminato le registrazioni in schede di 30 secondi, etichettando quando la persona era sveglia, in sonno leggero, sonno profondo o sonno REM, e segnando pause respiratorie, respirazione superficiale, cali di ossigeno e brevi risvegli.

Chi sono i pazienti e com’è il loro sonno

I partecipanti rappresentano un campione reale di pazienti con ictus: condizioni comuni come diabete, malattie cardiache e obesità non sono state escluse. L’età media è poco superiore ai 50 anni, con più uomini che donne, rispecchiando il rischio più elevato di apnea del sonno negli uomini. L’analisi delle registrazioni mostra che i problemi respiratori durante il sonno sono diffusi in questo gruppo. Solo una piccola minoranza presenta una respirazione normale, mentre la maggior parte rientra in categorie di apnea lieve, moderata o grave in base al numero di interruzioni respiratorie per ora di sonno. Il dataset contabilizza con cura i diversi tipi di eventi—come apnea ostruttiva, quando le vie aeree collassano; apnea centrale, quando il cervello interrompe temporaneamente il comando della respirazione; e ipopnea, una riduzione parziale del flusso d’aria—insieme alla frequenza con cui si verificano a ogni livello di gravità.

Mettere alla prova i dati con algoritmi moderni

Per dimostrare come iSLEEPS può essere utilizzato, i ricercatori hanno addestrato diversi modelli moderni di deep learning per assegnare automaticamente gli stadi del sonno a partire da singoli canali di segnali cerebrali o di movimento oculare. Hanno confrontato una rete convoluzionale, una rete LSTM (long short‑term memory) e un modello basato su transformer, ciascuno progettato per apprendere pattern nei dati temporali. Gli algoritmi sono stati addestrati e testati con cura in modo che i dati di un singolo paziente non apparissero mai in più di un set, e le prestazioni sono state verificate mediante validazione incrociata ripetuta. Tra questi metodi, il modello LSTM ha dato le migliori prestazioni, etichettando correttamente gli stadi del sonno in circa tre quarti dei casi. Tuttavia, i risultati sono risultati sensibilmente peggiori rispetto a quelli ottenuti con modelli simili su volontari sani, sottolineando che l’ictus altera il sonno in modi che i sistemi automatizzati attuali non captano ancora pienamente.

Aprire la strada a una migliore assistenza

Rilasciando iSLEEPS come dataset aperto e ben documentato—completo di registrazioni anonimizzate, annotazioni dettagliate degli eventi e informazioni cliniche di base—gli autori forniscono una nuova risorsa potente per scienziati, clinici e ingegneri. I ricercatori possono usarla per indagare come il sonno disturbato e i problemi respiratori influenzino il recupero dall’ictus, per confrontare pazienti tra paesi diversi e per sviluppare e testare nuovi algoritmi che un giorno potrebbero rilevare automaticamente problemi respiratori pericolosi, anche al di fuori dei laboratori del sonno specializzati. Per pazienti e famiglie, la promessa ultima di questo lavoro è una diagnosi più precisa e trattamenti più tempestivi dei disturbi del sonno dopo un ictus, con potenziali miglioramenti nel recupero e nella qualità della vita.

Citazione: Maiti, S., Sharma, S.K., Mythirayee, S. et al. Polysomnography Dataset for Sleep Analysis in Ischemic Stroke Patients. Sci Data 13, 421 (2026). https://doi.org/10.1038/s41597-026-06747-w

Parole chiave: ictus, apnea del sonno, polisomnografia, dataset del sonno, deep learning